Público
Relação de Convocados
Relação de Matriculados
____________________
Calendário Escolar
2022
2021
Cursos de ingresso
Disciplina
Busca por Disciplinas
Busca por Turmas
Editais
Programa Unificado de Bolsas(PUB)
Edital 2021-2022
Edital 2022-2023
PEEG
PAP
FAQ
Matrícula Interativa
FAQ
Informações gerais
TUTORIAL - NOVA MATRÍCULA
Jupiterweb em Vídeos
Informações gerais sobre a Graduação
Acesso Restrito
Entrar
Esqueci a Senha
Primeiro Acesso
Informações da Disciplina
Preparar para impressão
Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação
Instituto de Matemática e Estatística
Matemática Aplicada
Disciplina: MAP2314 - Teoria de Informação, Inferência Bayesiana e Machine Learning
Information Systems Theory, Bayesian Inference and Machine Learning
Créditos Aula:
4
Créditos Trabalho:
0
Carga Horária Total:
60 h
Tipo:
Semestral
Ativação:
01/01/2018
Desativação:
Objetivos
Introduzir fundamentos de Teoria de Informação, Inferência Bayesiana e Machine Learning de maneira integrada.
Docente(s) Responsável(eis)
1893642 - Renato Vicente
Programa Resumido
1. Introdução à Teoria de Informação; 2. Compressão de dados e codificação de canal ruidoso; 3. Problemas de inferência; 4. Redes neurais.
Programa
1. Probabilidade, Entropia e Inferência; 2. Teorema de codificação de fonte; 3. Teorema de codificação de canais ruidosos; 4. Métodos de agrupamento; 5. Inferência e marginalização exatas; 6. Comparação de modelos ; 7. Método de Monte Carlo; 8. Modelo de Ising; 9. Métodos variacionais; 10. Análise de componentes independentes (ICA); 11. Introdução às Redes Neurais; 12. Classificação; 13. Aprendizagem de máquina e inferência; 14. Redes de Hopfield; 15. Máquinas de Boltzmann; 16. Aprendizagem supervisionada em Redes Multicamada; 17. Processos Gaussianos.
Avaliação
Método
Aulas, exercícios e exercícios-programa.
Critério
Média ponderada de provas e exercícios maior ou igual a cinco.
Norma de Recuperação
Média ponderada de provas e exercícios.
Bibliografia
D. J. C. MacKay, Information Theory, Inference and Learning Algorithms, 1 ed, Cambridge University Press, 2003. E. T. Jaynes, Probability Theory: The Logic of Science,1 ed, Cambridge University Press, 2003. D. Sivia e J. Skilling, Data Analysis: A Bayesian Tutorial, 2 ed, Oxford University Press, 2006. T. M. Cover e J.A. Thomas, Elements of Information Theory,2 ed, Wiley Interscience, 2006.
Clique para consultar os requisitos para MAP2314
Clique para consultar o oferecimento para MAP2314
Créditos
|
Fale conosco
© 1999 - 2022 - Superintendência de Tecnologia da Informação/USP